1. Defina a decisão de aquisição
A questão da transação é se o alvo possui uma capacidade de descoberta repetível, um portfólio de ativos terapêuticos, um conjunto de contratos contingentes ou uma combinação dos três. Cada componente tem uma base de evidências, um padrão de risco, um requisito de capital e um caminho de integração diferentes. O comprador deve defini-los antes de selecionar um método de avaliação ou negociar a contraprestação.
Uma declaração de plataforma deve descrever um sistema operacional, não uma coleção de tecnologias atraentes. O sistema começa com uma questão biológica definida e informações governadas. Ele gera hipóteses ou moléculas, seleciona experimentos, recebe feedback clínico ou de laboratório úmido, atualiza modelos sob controle de mudanças e produz uma decisão que avança, redesenha ou interrompe um programa. A repetibilidade requer evidências comparáveis entre programas e ao longo do tempo.
Os ativos pipeline são direitos terapêuticos específicos. O seu valor depende do alvo, da modalidade, da indicação, da diferenciação, da evidência pré-clínica e clínica, da propriedade intelectual, da via regulamentar, do cenário competitivo, do custo restante, do controlo do desenvolvimento e dos direitos comerciais. Um candidato promissor pode ser valioso sem provar que a plataforma de descoberta subjacente é repetível.
As parcerias criam um terceiro perímetro de valor. As taxas iniciais, o financiamento da investigação, os pagamentos de opções, os marcos de desenvolvimento, os marcos de vendas, os royalties, os direitos de codesenvolvimento e as obrigações de custos devem ser separados. Um grande título divulgado pode representar pagamentos contingentes em vários programas e décadas. Não deve ser tratado como receita contratada ou valor empresarial.
A tese de aquisição deve indicar qual valor é atual, protegido, financiado, contingente e específico do comprador. Também deve mostrar onde a plataforma e o pipeline interagem. As evidências da plataforma podem afetar a probabilidade, o custo e o prazo atribuídos aos ativos do pipeline. O pipeline não deve então receber a mesma melhoria de plataforma uma segunda vez.
2. Construir uma arquitetura plataforma-pipeline-parceria
O comprador deve criar três livros vinculados. O livro-razão da plataforma registra direitos de dados, famílias de modelos, fluxos de trabalho científicos, sistemas laboratoriais, software, controles de qualidade, pessoal, evidências de produtividade e adoção externa. O livro-razão do pipeline registra cada programa, direitos, indicação, estágio, evidência, custo, prazo, probabilidade e valor. O livro-razão da parceria registra a economia e as responsabilidades contratuais executadas.
Essa arquitetura impede a transferência narrativa. Uma apresentação pode citar um candidato em estágio clínico como prova da qualidade da plataforma, incluir o valor ajustado ao risco desse candidato no pipeline e capitalizar a mesma prova em um múltiplo de plataforma. Os livros forçam a equipe a identificar as evidências precisas e seu uso de avaliação permitido.
A arquitetura também deve distinguir ativos internos, de parceria e vendidos. Um alvo pode reter toda a economia num programa, um royalty noutro, um direito de opção num terceiro e nenhum direito após uma transferência de descoberta num quarto. A contagem do programa é, portanto, uma medida de valor fraco.
Os três livros interagem, mas cada benefício económico deve ter um local de avaliação principal.
| Componente | Unidade de evidências | Método primário | Principal risco de contagem dupla |
|---|---|---|---|
| plataforma | programa e fluxo de trabalho independentes | fluxo de caixa incremental, redução de royalties ou economia de substituição | o sucesso do pipeline contado como prova da plataforma e valor do ativo |
| pipeline interno | ativo, indicação e jurisdição | valor presente líquido ajustado ao risco | benefício da plataforma incorporado duas vezes em probabilidade ou custo |
| pipeline de parceria | programa contratual | fluxo de caixa contratual esperado | total de marcos do título tratados como valor ganho |
| softwares e serviços | coorte de clientes e contrato | abordagem de renda e evidências de mercado apoiadas | receita de pesquisa tratada como software recorrente |
| dados e modelos | uso correto e produtivo governado | renda incremental ou evidência de substituição | custo histórico tratado como valor econômico |
| sinergia do comprador | iniciativa nomeada e proprietário | fluxo de caixa descontado específico do comprador | incluído no valor individual do vendedor e no prêmio de aquisição |
Arquitetura de transação proposta; direitos e economia exigem verificação em nível de contrato.
3. Defina uma plataforma de descoberta repetível
Uma plataforma repetível produz evidências em programas independentes, e não apenas no uso repetido do mesmo software. O comprador deve identificar o contexto de uso de cada modelo: identificação do alvo, previsão da estrutura, geração de moléculas, previsão de propriedades, toxicidade, estratificação do paciente, desenho do ensaio ou outra decisão. A estrutura baseada em risco da FDA para AI apoiar decisões de desenvolvimento de medicamentos conecta a credibilidade ao contexto específico de uso.[1] A EMA enfatiza igualmente a utilização pretendida, a governação dos dados, o desempenho do modelo e o controlo do ciclo de vida.[2]
A repetibilidade requer um sistema de medição estável. Para cada programa, o alvo deve registrar hipótese inicial, dados de entrada, modelo e versão, conjunto de candidatos, regra de seleção, experimentos, falhas, ciclos de projeto, tempo decorrido, custo e decisão de progressão. As alegações retrospectivas reunidas após o sucesso fornecem evidências mais fracas do que os registros governados contemporâneos.
O comparador é importante. Uma plataforma deve ser comparada com uma alternativa credível para o mesmo problema. Um alvo fácil, uma série de leads herdados ou um conjunto de dados extraordinariamente rico podem fazer com que um fluxo de trabalho pareça produtivo. As comparações devem controlar a modalidade, a dificuldade do alvo, o ponto final, o estágio e o trabalho transferido aos parceiros.
As evidências mais fortes abrangem múltiplas equipes, alvos, modalidades e períodos de tempo. Também inclui programas encerrados. Os dados de falha revelam se o sistema reconhece a incerteza e interrompe o trabalho fraco. Uma plataforma que gera mais candidatos sem melhorar a seleção pode transferir os custos posteriormente.
4. Reconstrua o ciclo design-fazer-testar-aprender
O ciclo operacional deve ser rastreado desde a decisão até a evidência. O design pode envolver hipóteses alvo, estruturas moleculares, sequências, propriedades ou experimentos. Make inclui síntese, expressão, preparação de ensaios e engenharia de dados. O teste cobre experimentos computacionais e físicos. Aprender significa que os resultados governados mudam modelos, regras de seleção ou decisões científicas.
O comprador deve medir o tempo de ciclo em cada transição. Um modelo pode gerar estruturas em minutos, enquanto a síntese, a capacidade de ensaio, a curadoria de dados ou a revisão científica levam meses. O rendimento relevante são decisões validadas por unidade de tempo decorrido e capital. A velocidade da computação por si só não estabelece a produtividade empresarial.
A integração do wet-lab é um potencial diferenciador e um centro de custos. Experimentos automatizados podem criar dados proprietários e reduzir a iteração. O seu valor depende da relevância do ensaio, da reprodutibilidade, da utilização da capacidade, da manutenção, da qualidade da amostra e da capacidade de transferir operações. Um laboratório otimizado para uma modalidade pode não atender ao portfólio-alvo do comprador.
A aprendizagem deve ser demonstrada. A equipe deve testar se o erro de previsão, a taxa de acerto, a seletividade, a capacidade de desenvolvimento, o tempo de ciclo ou a qualidade da decisão melhoram à medida que os dados governados se acumulam. Os lançamentos de modelos e a linhagem de experimentos devem permitir a reconstrução. Se cada programa utilizar métodos e cientistas personalizados, o negócio poderá ser uma organização de investigação de alta qualidade, em vez de uma plataforma escalável.
A aprendizagem produtiva requer decisões rastreáveis, experimentos e mudanças de modelo em ciclos completos.
5. Teste a reprodutibilidade da plataforma
A reprodutibilidade possui camadas técnicas, experimentais e organizacionais. A reprodutibilidade técnica pergunta se as mesmas entradas, código, artefatos de modelo e ambiente produzem as mesmas saídas dentro da tolerância definida. A reprodutibilidade experimental questiona se os resultados físicos podem ser repetidos sob métodos controlados. A reprodutibilidade organizacional pergunta se outra equipe qualificada pode operar o sistema e chegar a uma decisão apoiada.
A equipe de diligência deve reproduzir uma amostra de análises materiais, desde a entrada até a saída. Deve selecionar programas bem-sucedidos, fracassados e ativos. A reprodução deve utilizar infra-estruturas documentadas e pessoal comum, em vez de uma demonstração liderada pelos fundadores. As diferenças devem ser classificadas e resolvidas.
Os holdouts prospectivos fornecem evidências mais fortes de valor preditivo do que os benchmarks históricos reconstruídos. Os conjuntos de dados públicos podem apoiar a comparação, mas a fuga e a familiaridade com os benchmarks devem ser avaliadas. Os dados proprietários podem melhorar a relevância se forem legais, suficientemente grandes, bem anotados e representativos. O status de propriedade por si só não estabelece qualidade.
A auditoria científica deve desafiar o limite de decisão. Um modelo pode melhorar uma métrica e ao mesmo tempo falhar no perfil multiparâmetro exigido para um candidato a medicamento. A equipe deve examinar em conjunto a potência, a seletividade, a farmacocinética, a segurança, a capacidade de fabricação e os requisitos específicos da indicação.
A construção de benchmarks requer cuidados especiais. Os compostos de treinamento e teste podem compartilhar estruturas, alvos, ensaios ou histórico laboratorial de maneiras que aumentam a aparente generalização. A equipe de diligência deve examinar divisões temporais, divisões de andaimes, experimentos prospectivos e replicação externa. Deve reter dados de denominadores mostrando todos os candidatos gerados, sintetizados, testados e avançados. Uma taxa de sucesso calculada apenas a partir de moléculas selecionadas não pode estabelecer a produtividade da plataforma.
A incerteza deve influenciar a ação. A confiança calibrada, os controlos no domínio da aplicabilidade e a abstenção podem ser mais valiosos do que as previsões universais. O comprador deve identificar como a incerteza altera a seleção de experimentos, o escalonamento do programa e a revisão humana. Uma plataforma que estabelece limites e encaminha questões não suportadas pode preservar o capital de forma mais eficaz do que uma que produz resultados confiáveis para cada alvo.
| Camada | Teste | Evidências fortes | Sinal de falha |
|---|---|---|---|
| dados | reconstruir linhagem e direitos | fonte governada, transformações e permissões | corpus indocumentado ou intransferível |
| modelo | executar novamente artefatos versionados | saída reproduzível e incerteza calibrada | código, pesos ou ambiente indisponíveis |
| experimentar | repetir ensaios de materiais | repetição pré-especificada dentro da tolerância | resultado de laboratório úmido seletivo ou irreprodutível |
| decisão | reconstruir a seleção de candidatos | critérios e alternativas contemporâneos | narrativa de sucesso montada após o resultado |
| programa | compare projetos independentes | melhoria em metas variadas | um carro-chefe carrega a alegação de evidência |
| organização | transferir fluxo de trabalho para outra equipe | operação documentada sem resgate de pessoas-chave | dependência tácita do fundador ou cientista |
Scorecard proposto; os especialistas científicos devem definir testes e tolerâncias específicos do programa.
Pontuações de gestão ilustrativas de um a cinco; as pontuações não são referências científicas ou avaliações direcionadas.
6. Dados de diligência como ativo económico
O valor dos dados depende dos direitos, relevância, qualidade, exclusividade, atualização e uso produtivo. O comprador deve identificar se os dados são de propriedade, licenciados, de origem pública, gerados para parceiros, derivados de material do paciente ou restritos por consentimento e contrato. Os direitos de utilização de dados para uma colaboração não podem permitir a formação de modelos, a reutilização comercial ou a transferência em caso de mudança de controlo.
A proveniência deve ligar cada registo material à fonte, método de recolha, consentimento ou licença, transformações, verificações de qualidade e obrigações de eliminação. Os dados biológicos e químicos necessitam de unidades, condições de ensaio, controles, informações de lote e resultados negativos. Um grande corpus com condições experimentais heterogêneas pode criar uma falsa confiança.
O fosso de dados deve ser testado através de ablação ou experimentos comparativos, sempre que viável. A questão é até que ponto o desempenho ou a qualidade da decisão muda quando o conjunto de dados diferenciado é removido, envelhecido ou aplicado a outro programa. O valor deve refletir a contribuição produtiva e não o volume de armazenamento.
A atualização de dados pode criar custos recorrentes e dependência estratégica. Bancos de dados externos, parceiros clínicos, laboratórios contratados e provedores de nuvem podem ser essenciais. O comprador deverá modelar renovações, alterações de preços, continuidade de serviço, direitos de exportação e migração técnica. Os modelos derivados podem permanecer contaminados contratualmente mesmo quando os dados brutos são excluídos.
7. Modelos de diligência, software e computação
O inventário de modelos deve incluir modelos básicos, modelos específicos de tarefas, métodos baseados na física, regras, sistemas de classificação e pontos de decisão humanos. Cada item precisa de propósito, proprietário, dados de treinamento, versão, desempenho, incerteza, uso de implantação, dependências e critérios de desativação. Os rótulos de marketing não devem substituir os limites técnicos.
Código-fonte, pesos, pipelines de recursos, ferramentas de simulação e componentes de terceiros devem ser mapeados para propriedade e licença. Obrigações de código aberto, licenças de pesquisa e termos do mercado de nuvem podem restringir a implantação comercial. O comprador deve testar se um modelo crítico pode ser executado no ambiente esperado e se os dados necessários podem viajar legalmente com ele.
A economia da computação pertence ao modelo de plataforma. Treinamento, simulação, inferência, armazenamento e movimentação de dados podem ser materiais. A queda do custo unitário de computação pode expandir o uso e, ao mesmo tempo, enfraquecer as reivindicações de escassez. A meta deve mostrar a produtividade por dólar e por decisão, em vez da contagem bruta de processadores.
A cibersegurança e a integridade da investigação são controlos de valor. Roubo de modelos, envenenamento de dados, vazamento de acesso e notebooks não reproduzíveis podem prejudicar o pipeline e as parcerias. Identidade, segregação de ambiente, registro em log, backup, resposta a incidentes e processos de liberação validados devem abranger tanto a pesquisa quanto os sistemas de produção.
A concentração de fornecedores deve ser modelada explicitamente. Um fluxo de trabalho de pesquisa pode contar com um provedor de nuvem, arquitetura de acelerador, modelo de base, pacote químico ou caderno eletrônico de laboratório. O comprador deve identificar a portabilidade, o custo de saída, a continuidade da licença, os compromissos de nível de serviço e as restrições à exportação. Um modelo tecnicamente transferível pode permanecer economicamente cativo quando a reciclagem de dados, os núcleos especializados ou a orquestração do fluxo de trabalho não puderem avançar em termos razoáveis.
A dívida técnica deve ser separada da incerteza científica. Bibliotecas sem suporte, ambientes inconsistentes e pipelines não documentados podem ser corrigidos por meio de engenharia. Rótulos fracos, experimentos confusos ou ausência de resultados negativos podem exigir nova ciência. O seu custo, tempo e efeito nas reivindicações da plataforma diferem e devem ser mostrados separadamente no plano de integração.
8. Diligência propriedade intelectual e liberdade de operação
A diligência de patentes deve separar métodos de plataforma, sistemas de geração de dados, composições de matéria, usos, formulações e fabricação. As reivindicações de composição e uso vinculadas a um candidato terapêutico geralmente têm aplicabilidade e duração diferentes das reivindicações de método computacional. Os segredos comerciais podem proteger dados, parâmetros e conhecimentos laboratoriais se os controlos preservarem o sigilo.
A inventariação e a propriedade exigem uma revisão a nível do programa. Funcionários, fundadores, universidades, hospitais, consultores, organizações de pesquisa contratadas e parceiros podem ter contribuído. Lacunas de atribuição ou propriedade intelectual de base podem restringir o uso. A invenção assistida por AI levanta questões políticas e probatórias adicionais, enquanto os sistemas de patentes atuais geralmente exigem inventores humanos.[29][30]
A liberdade de operação deve abranger o produto pretendido e o plano de desenvolvimento. Uma patente de plataforma não estabelece liberdade para desenvolver um candidato. Por outro lado, o patrimônio da patente de um candidato não prova que o comprador possa continuar usando os sistemas computacionais e laboratoriais do alvo.
A transação deverá identificar prazos de ação penal, manutenção, oposição, litígio, publicação e confidencialidade. A integração pode alterar quem acessa segredos comerciais e quais licenças se aplicam. Equipe de limpeza e controles de acesso podem ser necessários antes do fechamento.
9. Valorize os ativos do pipeline um por um
Cada programa terapêutico deve ter uma ficha de ativos que abranja o alvo, a modalidade, a indicação, o perfil do produto, o estágio, as evidências, a propriedade intelectual, os direitos, a concorrência, a via regulatória, os demais pressupostos de desenvolvimento, fabricação e comerciais. As indicações relacionadas podem ser modeladas separadamente onde as evidências e a economia diferem.
O valor atual líquido ajustado ao risco deve utilizar probabilidades explícitas para as transições de fase relevantes. As probabilidades de desenvolvimento publicadas podem informar o desafio, mas não devem substituir a avaliação específica dos activos.[35][36] O comprador deve testar se a plataforma do alvo altera uma determinada probabilidade de transição e se as evidências apoiam a magnitude.
O custo restante inclui compromissos de descoberta, pré-clínicos, clínicos, regulatórios, químicos, de fabricação, controles e pós-aprovação. O cronograma deve refletir a inscrição, os pontos finais, os reguladores, a produção e o financiamento. Um processo de descoberta mais rápido pode ter efeito limitado quando o desenvolvimento clínico domina o tempo e o capital.
O valor competitivo deve se concentrar no perfil do produto alvo. As reivindicações de primeira e melhor categoria exigem evidências em relação aos padrões atuais e esperados. Alvos lotados, restrições de biomarcadores, estratégias de segurança, entrega e combinação podem alterar materialmente o valor.
A correlação do portfólio deve permanecer visível. Vários candidatos podem depender da mesma hipótese alvo, modalidade, ensaio, tecnologia de entrega ou biomarcador. Contá-los como opções independentes pode exagerar a diversificação. O comprador deve mapear modos de falha científicos e operacionais comuns e executar cenários de portfólio que removam todo um mecanismo, componente de plataforma ou parceiro.
A prontidão de fabricação pode se tornar o risco do ativo controlador. Uma molécula ou produto biológico computacionalmente atraente ainda precisa de um processo robusto, métodos analíticos, especificações, estabilidade e fornecimento escalável. O plano de desenvolvimento deve identificar quando o trabalho químico, de produção e de controlo entra no caminho crítico e se o alvo possui o know-how relevante ou depende de um fornecedor limitado.
| Dimensão | Evidência necessária | Uso de avaliação | Controle contra contagem dupla |
|---|---|---|---|
| direitos | propriedade, território, indicação e oneração | economia endereçável | excluir direitos já concedidos ao parceiro |
| estágio de desenvolvimento | pacote governado e interação reguladora | probabilidade de transição | use o cenário real, não a narrativa da plataforma |
| diferenciação | perfil do produto e evidência comparativa | preço, ação e duração | separar a qualidade do candidato da qualidade do modelo |
| custo restante | estudo, fabricação e plano regulatório | fluxo de caixa e financiamento | incluir o custo operacional da plataforma uma vez |
| tempo | caminho crítico e dependências | período de desconto e vencimento da opção | distinguir a velocidade da descoberta do tempo clínico |
| concorrência | alternativas aprovadas e em desenvolvimento | probabilidade e valor terminal | atualizar na data de avaliação |
Estrutura proposta; todos os dados científicos, probabilísticos, de custos e comerciais requerem apoio específico de ativos.
10. Separe a prova da plataforma do valor do pipeline
Um evento de pipeline pode oferecer suporte tanto a um candidato quanto à plataforma, mas os usos devem ser explícitos. Um candidato que alcança a indicação pode mostrar que um fluxo de trabalho completou um ciclo de descoberta. Não prova sucesso clínico ou repetibilidade. Uma leitura clínica bem-sucedida afeta principalmente esse ativo, a menos que seja demonstrada a contribuição causal da plataforma para uma decisão de desenvolvimento generalizável.
O comprador deve manter uma tabela de alocação de evidências. Cada evento recebe um efeito de avaliação primário e qualquer efeito de plataforma secundário é limitado. Por exemplo, uma previsão de estrutura validada pode fortalecer a capacidade de um modelo enquanto o valor comercial da molécula permanece no ativo. Um exercício de opção de parceria pode apoiar a validação externa e criar fluxo de caixa contratual; o conjunto completo de marcos futuros permanece contingente.
O valor da plataforma pode ser estimado a partir da economia incremental do programa depois que o valor do pipeline for calculado sem esse incremento. Se a evidência apoiada indicar menos ciclos de concepção, menor custo de síntese ou maior probabilidade de qualidade do candidato, o benefício deverá entrar nos pressupostos do programa ou num fluxo de caixa de plataforma separado, e não em ambos.
Quando as provas permanecem escassas, a plataforma pode ser tratada como uma opção ou recurso facilitador com consideração faseada. Isso preserva a vantagem sem converter a repetibilidade não verificada em valor de fechamento.
11. Reconstruir parcerias e economia contingente
Os anúncios de parceria devem ser conciliados com os contratos assinados. A equipa deve identificar programas, metas, exclusividade, prazo de investigação, trabalho financiado, janelas de opções, controlo de desenvolvimento, partilha de custos, marcos, royalties, rescisão, reversão de direitos, propriedade de dados e disposições de mudança de controlo.
Os marcos potenciais principais não são receitas contratadas. Eles podem exigir que todos os programas atinjam todos os eventos, incluam limites de vendas num futuro distante e excluam o custo do trabalho. O valor esperado deve utilizar probabilidades específicas do programa, calendário, impostos, custos e comportamento dos parceiros. Os direitos de opção podem permitir que um parceiro selecione apenas os ativos mais fortes.
O financiamento da investigação deve ser diferenciado da margem. Pode reembolsar cientistas, experiências e infraestruturas com uma contribuição limitada. Os pagamentos adiantados podem compensar licenças, exclusividade, pesquisas e trabalhos anteriores. O reconhecimento da receita não identifica por si só o valor económico ou a durabilidade do caixa.
A concentração de parceiros é importante. Uma plataforma com várias colaborações anunciadas pode depender de um grupo farmacêutico ou de um conjunto restrito de decisores. O comprador deverá analisar exercícios de opções, prorrogações, rescisões, transferências de programas, cobrança de dinheiro e a proporção de capacidade interna reservada para cada parceiro.
Totalmente hipotéticos USD milhões; os conjuntos contingentes são ponderados pela probabilidade e pelo tempo e não são previsões.
| Item econômico | Evidência | Tratamento de avaliação | Erro comum |
|---|---|---|---|
| pagamento adiantado | contrato, fatura e dinheiro | reconhecer direitos e obrigações conquistados | tratando todo o dinheiro como receita recorrente |
| financiamento de pesquisa | plano de trabalho, custo e margem | previsão de contribuição financiada | ignorando capacidade e custo de entrega |
| opção de pagamento | termos de opção e portão de decisão | peso de probabilidade por programa | supondo que todas as opções sejam exercidas |
| marco de desenvolvimento | definição e responsabilidade do evento | peso de probabilidade e tempo | aplicando uma probabilidade de portfólio |
| marco de vendas | limites e economia do produto | modelo após aprovação e lançamento | incluindo pool completo divulgado no fechamento |
| realeza | base, taxa, deduções e prazo | fluxo de caixa do produto ajustado ao risco | aplicando royalties à geografia sem dono |
| direito de co-desenvolvimento | divisão de custos e governança | modelar investimento e economia | avaliar a participação nos lucros sem imposto de financiamento |
Mapa de contrato proposto; a revisão contabilística, jurídica e científica deve ser conciliada.
12. Reconstruir o software e a economia dos serviços de pesquisa
Algumas empresas de descoberta possuem um negócio de software comercial; outros fornecem serviços de pesquisa ou acesso a plataformas. O comprador deve separar licença, software hospedado, serviços profissionais, pesquisa financiada, marcos e receitas de desenvolvimento de medicamentos. As suas margens brutas, padrões de renovação e necessidades de capital são diferentes.
Os relatórios públicos de Schrödinger separam os segmentos de software e de descoberta de medicamentos, ilustrando por que um múltiplo de receitas consolidadas pode obscurecer a economia.[12][13] O comprador deve conciliar o valor anual do contrato, a receita reconhecida, o faturamento e o caixa por produto e grupo. As transições hospedadas podem alterar o tempo de reconhecimento sem alterar a economia do contrato.
A concentração de clientes, renovação, expansão de assentos, uso, custo da nuvem, suporte e serviços científicos devem ser medidos. Um produto de software usado em programas de clientes pode suportar repetibilidade e validação de mercado. Projetos personalizados entregues por cientistas podem ter escalas diferentes.
A utilização do gasoduto interno não deve criar receitas externas. O modelo deve alocar os custos operacionais da plataforma entre clientes comerciais, programas parceiros e ativos internos usando um driver documentado. Isto permite que a economia do programa e a margem do software sejam comparadas sem ocultar os custos na pesquisa central.
13. Projete o teste de avaliação da plataforma
O valor da plataforma deve ser apoiado através de um ou mais canais económicos observáveis. Software externo ou fluxo de caixa de serviço podem ser avaliados diretamente. A produtividade interna pode ser valorizada através de reduções apoiadas no tempo, custo ou atrito através de um portfólio de programas definido. A originação de parcerias pode criar uma economia contratual. O custo de reposição pode informar a negociação quando reflete dados legais, infraestrutura, pessoas, tempo e risco de falha.
A isenção de royalties requer uma base e taxa de royalties confiáveis. Pode ser apropriado para uma tecnologia licenciável, mas uma plataforma utilizada apenas internamente não tem mercado automático de royalties. As despesas com investigação histórica não têm valor; é uma evidência de investimento. Recriar o mesmo código sem dados, fluxos de trabalho, equipe e histórico de aprendizagem pode ser impossível, enquanto trabalhos caros ainda podem carecer de utilidade comercial.
A receita incremental deve estar vinculada ao desempenho medido. Se uma plataforma reduzir um ciclo de descoberta definido em seis meses, o modelo deverá identificar os programas afetados, o custo operacional necessário, a probabilidade de transferência e as consequências económicas. Os benefícios devem terminar quando a tecnologia se tornar padrão ou a vantagem diminuir.
O valor terminal da plataforma requer direitos duráveis, talento, geração de dados, adoção de clientes ou parceiros e manutenção de modelos. Mudanças técnicas rápidas podem reduzir a vida útil mesmo quando o software permanece operacional. O comprador deve evitar aplicar um múltiplo de software perpétuo a uma capacidade de investigação cuja vantagem depende de investimento científico contínuo.
A disciplina na data de avaliação é essencial. As informações clínicas, de patentes, competitivas, regulatórias e de parceria podem mudar rapidamente. O modelo deve distinguir as informações conhecidas na assinatura dos eventos subsequentes e especificar o processo de atualização antes do fechamento. Uma falha posterior do programa não deve ser escondida dentro de um desconto geral da plataforma; o ativo afetado e qualquer leitura genuína da repetibilidade devem ser reavaliados separadamente.
O reconhecimento contábil e o preço das transações respondem a questões diferentes. A alocação do preço de compra pode identificar tecnologia, contratos, pesquisa e desenvolvimento em processo, relacionamentos com clientes ou boa vontade após o acordo comercial ser fechado. Estas categorias podem informar a análise da vida útil e da imparidade, mas não estabelecem o montante que um comprador deve pagar nem eliminam a necessidade de testar a sobreposição entre componentes de valor.
14. Construa a avaliação combinada
O modelo combinado deve começar com software independente e fluxo de caixa de serviços. Deve acrescentar valor ajustado ao risco do pipeline, ativo por ativo, fluxos de caixa de parceria por contrato e economia incremental de plataforma ainda não incorporada. Ativos não operacionais, dívida, direitos de preferência e obrigações de transação completam a ponte para os rendimentos de capital.
O caso totalmente hipotético contém USD 22 million de receita de software e pesquisa, dos quais USD 9 million é receita de licença recorrente. Possui seis programas internos, dois dos quais são candidatos ao desenvolvimento, e quatro colaborações. Após custos atribuíveis de entrega, computação, laboratório e suporte, a atividade comercial contribui com USD 5 million antes de pesquisa central, impostos e capital.
O caso central atribui USD 42 million ao fluxo de caixa comercial suportado, USD 74 million a ativos de pipeline interno, USD 28 million à economia de parceria esperada e USD 24 million à produtividade da plataforma que não está incorporada nesses componentes. O caixa líquido adiciona USD 31 million. O custo de integração e a infraestrutura duplicada reduzem o valor em USD 16 million. O valor patrimonial ilustrativo é USD 183 million.
Cada quantia é hipotética. O exemplo foi elaborado para expor suposições e contagens duplas. Não é uma referência de mercado, previsão ou opinião de avaliação.
Totalmente hipotéticos USD milhões; cada benefício tem um local de avaliação principal.
15. Teste a sensibilidade sem ocultar a correlação
Os riscos da plataforma e do pipeline estão correlacionados. A fraca proveniência dos dados pode afectar vários programas. A perda de uma equipe científica pode retardar os ativos internos e o trabalho dos parceiros. Uma falha no modelo pode danificar a origem futura. A sensibilidade deve, portanto, incluir casos negativos partilhados, em vez de variar cada programa de forma independente.
As principais variáveis da plataforma incluem reprodutibilidade, taxa de transferência, rendimento do programa, custo operacional e vida útil. As variáveis do pipeline incluem probabilidade de transição, tempo, custo de desenvolvimento, diferenciação do produto e duração do mercado. As variáveis da parceria incluem o exercício da opção, o momento do marco, a rescisão do parceiro e o custo de entrega.
A sensibilidade hipotética varia o valor do pipeline interno e o incremento da plataforma suportada. Ele mantém constantes o fluxo de caixa comercial, a economia da parceria, o caixa líquido e os custos de integração. As células são cenários aritméticos e não têm implicações de mercado.
| Valor do pipeline interno; milhões de dólares | Plataforma USD 10m | USD 20m | USD 30m | USD 40m |
|---|---|---|---|---|
| 45 | 140 | 150 | 160 | 170 |
| 60 | 155 | 165 | 175 | 185 |
| 75 | 170 | 180 | 190 | 200 |
| 90 | 185 | 195 | 205 | 215 |
Totalmente hipotéticos USD milhões; nenhuma célula é uma previsão ou referência de mercado.
Os casos negativos também devem mostrar liquidez e financiamento. Um programa atrasado pode exigir uma nova rodada antes de um evento de ativo. Os direitos de preferência e a antidiluição podem afetar os rendimentos do vendedor. O modelo de aquisição deve divulgar qual parte financia cada plano de desenvolvimento.
16. Escolha a consideração que segue as evidências
A consideração final deve refletir o valor apoiado na assinatura. A consideração contingente pode abordar eventos de pipeline, opções de parceiros, transferência de plataforma ou retenção comercial. Cada marco precisa de um ativo definido, pacote de evidências, autoridade de decisão, período de observação e processo de disputa.
Um arquivamento regulatório é uma atividade; aceitação, liberação ou aprovação é um evento mais forte. A nomeação do candidato pode ser definida por um perfil de produto e embalagem reproduzível. Os marcos da plataforma podem exigir a reprodução independente do programa, a melhoria do ciclo validado ou a renovação de parceiros. Os marcos de receita devem usar o dinheiro arrecadado e a alocação de custos acordada quando a margem for importante.
O valor contingente não deve recompensar a aceleração insegura ou o subinvestimento. Os convênios operacionais devem preservar decisões científicas, clínicas, de qualidade e regulatórias adequadas. As proteções do vendedor podem definir recursos e consultas mínimos, ao mesmo tempo que mantêm a autoridade do comprador para interromper um programa por motivos documentados.
A consideração de capital próprio pode alinhar o valor a longo prazo, mas transfere o risco de mercado e de integração. A garantia pode abordar títulos, direitos, proveniência de dados ou exposição contratual conhecida. Uma licença, opção ou aquisição faseada pode ser apropriada quando a repetibilidade da plataforma ainda não foi comprovada.
17. Traduza diligência em proteção de transações
As representações devem abranger autoridade corporativa, propriedade intelectual, inventariação, direitos de dados, privacidade, código aberto, registos científicos, estatuto regulamentar, trabalho clínico, parcerias, subvenções, segurança cibernética, controlos de exportação e métricas financeiras. Os cronogramas devem identificar versões de programas e modelos, em vez de depender de qualificadores de conhecimento amplo.
As condições podem incluir atribuição de direitos essenciais, consentimento do parceiro ou licenciante, entrega de artefatos modelo, fechamento de uma lacuna de proveniência material, reprodutibilidade de uma análise definida e retenção de pessoal crítico. As condições devem centrar-se em questões necessárias para a propriedade legal ou operação viável.
Os acordos provisórios devem controlar a divulgação de modelos materiais, a publicação, a acção de patentes, a rescisão de programas, novos gravames, alterações de parceiros, acesso incomum a dados e perda de infra-estruturas essenciais. O trabalho científico normal deve continuar sob um quadro de mudança acordado.
A indenização e o seguro devem refletir a recuperabilidade e a duração. O risco conhecido do pipeline pertence ao preço ou à contraprestação contingente. Título, má conduta deliberada e dados específicos ou exposição de patente podem exigir tratamento separado. O comité deve mapear cada lacuna material numa resposta primária, para que a mesma questão não seja deduzida, garantida e excluída do valor sem explicação.
| Lacuna de evidências | Resposta de avaliação | Proteção | Liberar evidências |
|---|---|---|---|
| plataforma comprovada em um programa | limitar o incremento da plataforma | consideração encenada | reprodução independente de programas |
| direitos de dados de treinamento pouco claros | excluir o uso afetado | condição, garantia e indenização | direitos transferíveis verificados |
| evidência do candidato incompleta | ativo ponderado por probabilidade | marco do programa | pacote de desenvolvimento governado |
| marcos principais altamente contingentes | fluxo de caixa do contrato de valor esperado | ganhos vinculados ao evento coletado | pagamento de parceiro recebido |
| fluxo de trabalho de pessoa-chave | desconto de continuidade | plano de retenção e transferência | equipe qualificada opera de forma independente |
| dependência de computação ou laboratório | incluir custo de migração | acordo de serviço e apoio à transição | ambiente de substituição testado |
| reivindicações de valor sobrepostas | alocar benefício uma vez | cronograma de avaliação | livros reconciliados aprovados |
Matriz proposta; a redação e as soluções jurídicas permanecem específicas da transação.
18. Projete a integração em torno da continuidade científica
A integração pode destruir a base de evidências ao alterar o acesso aos dados, o ambiente do modelo, os métodos laboratoriais, as equipas científicas ou as prioridades do programa. O design do primeiro dia deve preservar sistemas críticos e registros de decisões. A sinergia de custos deve seguir-se à substituição validada.
A arquitetura alvo deve classificar as capacidades como preservar, conectar, migrar ou retirar. Preserve se aplica onde a plataforma e os controles de qualidade permanecem produtivos. O Connect usa interfaces governadas e direitos de decisão compartilhados. Migre modelos de transferências, dados ou experimentos após testes correspondentes. A retirada segue a confirmação de que as obrigações, a procedência e os registros científicos permanecem acessíveis.
A migração de dados deve reter identificadores, unidades, condições de ensaio, linhagem, permissões, estado de exclusão e resultados negativos. A migração do modelo deve reter código, pesos, dependências, sementes, suposições de hardware e desempenho. A migração laboratorial deve comparar protocolos, equipamentos, controles e resultados.
A governação do programa deve continuar a ser específica aos ativos. Um comité de carteira combinado pode dar prioridade ao capital, mas deve registar se uma decisão de interrupção reflecte fraqueza científica, sobreposição estratégica, financiamento ou capacidade. Essa distinção é importante para a aprendizagem de plataforma e pagamentos contingentes.
A integração voltada para parceiros precisa de um fluxo de trabalho separado. Os parceiros farmacêuticos podem ter direitos de auditoria, segurança, pessoa-chave, subcontratação, publicação e mudança de controle. O comprador deverá apresentar um plano de continuidade, preservar as equipes acordadas e obter consentimentos antes de mover dados ou trabalhos. Uma economia de integração que causa o encerramento do programa pode destruir mais valor do que libera.
Os registros de pesquisa devem permanecer prontos para inspeção. Cadernos eletrônicos, identificadores de experimentos, amostras, artefatos de modelos, decisões, desvios e aprovações devem sobreviver à migração com uma trilha de auditoria. A organização combinada deve testar a recuperação de um programa ativo, um concluído e um encerrado antes de declarar a transferência de registros concluída.
19. Mantenha o sistema operacional científico
O valor da plataforma pode depender de cientistas que conectem biologia, química, computação, experimentos e desenvolvimento. O comprador deve mapear decisões críticas, relacionamentos e conhecimento tácito. Os títulos dos cargos e o número de publicações são insuficientes.
A retenção deve ser combinada com a transferência. O plano deve documentar a concepção do modelo, decisões de dados, histórico de ensaios, hipóteses falhadas, compromissos dos parceiros, fundamentação do programa e interacções regulamentares. Autoridade, acesso e direitos de assinatura devem ser movidos sob procedimentos controlados.
Os fundadores podem incorporar credibilidade externa e arbitragem interna. O comprador deve testar se a governação científica funciona sem a sua intervenção. A revisão independente, os registos reproduzíveis e os direitos de decisão claros reduzem a concentração.
Os incentivos devem preservar a parada e a progressão rigorosas. As equipes recompensadas apenas pelas indicações de candidatos podem aumentar o rendimento de baixa qualidade. As medidas equilibradas podem incluir reprodutibilidade, melhoria do ciclo, qualidade do programa, entrega dos parceiros, documentação e disciplina de capital.
20. Aloque sinergia com evidências
A sinergia específica do comprador pode surgir de metas, dados, laboratórios, desenvolvimento clínico, distribuição, fabricação e capital. Cada sinergia precisa de um proprietário nomeado, permitindo investimento, evidência, timing e risco. O acesso a um grande portfólio não prova que a plataforma alvo possa atendê-lo.
A aceleração do programa deve identificar exatamente o gargalo removido. O ensaio, a biblioteca de moléculas ou a experiência em doenças do comprador podem melhorar uma etapa definida. O modelo deve evitar reivindicar um desenvolvimento mais rápido e uma probabilidade mais elevada sem provas separadas.
A combinação de dados requer direitos e compatibilidade. Dados maiores podem melhorar a aprendizagem, expor a heterogeneidade ou criar encargos de integração. A equipe deve testar um caso de uso limitado e medir a melhoria das decisões antes de capitalizar um amplo efeito de rede de dados.
A sinergia de custos deve distinguir os custos corporativos duplicados da capacidade produtiva da plataforma. A remoção de funções laboratoriais, de engenharia ou científicas pode reduzir o rendimento e a entrega dos parceiros. O livro-razão de sinergia deve mostrar o controle ou processo que substitui cada atividade removida.
21. Governar o risco regulatório e do ciclo de vida do modelo
AI utilizado para apoiar decisões regulatórias deve ser regido de acordo com seu contexto de uso e risco. O projeto de orientação da FDA propõe uma estrutura de credibilidade, e os princípios da FDA-EMA enfatizam o design centrado no ser humano, o contexto claro, a governança de dados, a avaliação de desempenho e o gerenciamento do ciclo de vida.[1][3] O comprador deve mapear quais modelos geram evidências utilizadas nas submissões e como as alterações são controladas.
Os modelos utilizados apenas para investigação exploratória podem ainda afectar a selecção de candidatos e a alocação de capital. A governança deve ser proporcional e preservar a linhagem dos dados, o controle de versões, o desempenho, a incerteza, a revisão humana e os registros de decisões. Um rótulo de investigação não deve desculpar a irreprodutibilidade.
Os resultados geradores requerem validação científica. Moléculas ou hipóteses devem ser avaliadas quanto à viabilidade, novidade, segurança e capacidade de fabricação. O sistema deve registrar resultados e motivos rejeitados. Isto protege a aprendizagem e ajuda a distinguir a produtividade da plataforma da apresentação seletiva.
A governação pós-combinação deve estabelecer proprietários para cada modelo material, conjunto de dados, programa e produto final do parceiro. O controle de mudanças deve identificar consequências de validação, regulatórias, de patentes, contratuais e de avaliação. Uma plataforma permanece valiosa através da evolução controlada, em vez de tecnologia congelada.
22. Execute um programa de 180 dias baseado em evidências
Os dias um a trinta devem preservar dados, modelos, operações laboratoriais, entrega de parceiros, decisões de programas, prazos de patentes e segurança cibernética. Devem ser estabelecidas governação, acesso, restrições à mudança e cobertura de pessoas críticas. Dinheiro, contratos e direitos de programas devem ser conciliados.
Os dias trinta a setenta devem reproduzir análises e experiências selecionadas, completar os registos da plataforma e do pipeline, validar direitos, reconstruir a economia da parceria e confirmar planos de desenvolvimento a nível de ativos. A equipa deve identificar onde a avaliação se baseou em evidências partilhadas.
Os dias setenta a cento e vinte deverão testar a integração limitada: uma conexão de dados, um ambiente modelo, uma transferência de laboratório e uma decisão conjunta de programa. Os defeitos devem ser resolvidos antes da migração ampla. As coortes comerciais e de serviços de pesquisa devem ser analisadas quanto ao custo de entrega e renovação.
Os dias cento e vinte a cento e oitenta devem temperar os fluxos de trabalho transferidos, confirmar o desempenho do parceiro, atualizar as probabilidades do programa, validar a sinergia e liberar o valor contingente somente quando a evidência acordada for aprovada. O conselho deve receber uma ponte de valor reconciliada e um plano de capital.
O calendário deve seguir dependências científicas, contratuais, regulamentares e operacionais.
| Portão | Evidência | Decisão | Resposta à falha |
|---|---|---|---|
| continuidade | sistemas, direitos, pessoas e entrega de parceiros estáveis | preservar operações | restringir alterações e ativar fallback |
| reprodução | modelos selecionados e experimentos repetidos | aceitar base de evidências | reduzir o valor da plataforma e corrigir |
| alocação | plataforma, pipeline e livros de contratos reconciliados | aprovar mapa de avaliação | remover benefício duplicado |
| integração limitada | fluxo de trabalho transferido atende à tolerância | expandir a migração | isolar e redesenhar |
| tempero | programas, parceiros e resultados comerciais persistem | liberar sinergia | estender a observação ou reavaliar |
| liberação de valor | evidência de marco contratual completa | pagar valor contingente | disputar ou reter sob termos acordados |
Sequência de governança proposta; a responsabilização específica da transação deve ser documentada.
23. Decisão e conclusão
AI As aquisições para descoberta de medicamentos exigem uma separação disciplinada de capacidade, ativos e contratos. Uma plataforma é valiosa quando converte repetidamente questões biológicas governadas em decisões mais bem validadas em programas independentes. Um candidato é valioso quando os seus direitos, provas, diferenciação, plano de desenvolvimento e economia apoiam o fluxo de caixa ajustado ao risco. Uma parceria é valiosa na medida em que os termos executáveis criam trabalho financiado, pagamentos de opções, marcos, royalties ou direitos estratégicos.
O comprador deve reconstruir o ciclo design-fazer-testar-aprender, reproduzir o trabalho selecionado, validar dados e direitos de propriedade intelectual e medir a produtividade do ciclo completo. Deveria avaliar cada programa terapêutico separadamente e reconciliar cada parceria, desde o contrato até ao dinheiro arrecadado. Os benefícios da plataforma devem entrar no modelo uma vez.
O valor de fechamento pode incluir fluxo de caixa comercial apoiado, valor ajustado ao risco do pipeline, economia esperada da parceria e um incremento de plataforma limitado. A repetibilidade não comprovada, as indicações futuras e os amplos efeitos de rede podem ser preservados através de marcos, opções ou propriedade faseada.
A integração deve proteger o sistema operacional científico antes de buscar economias de custos. Dados, modelos, métodos laboratoriais, pessoas, histórico de decisões e obrigações dos parceiros exigem transferência controlada. As interrupções do programa devem permanecer cientificamente e contratualmente rastreáveis.
A questão decisiva não é se a inteligência artificial contribuiu para o sucesso da molécula. É se o sistema adquirido pode, de forma legal e reproduzível, criar melhores decisões em todo o portfólio futuro do comprador, após o custo de dados, computação, experimentos, pessoas, governança e capital. Essa evidência determina se o comprador está adquirindo uma plataforma, um pipeline ou uma narrativa cara conectando os dois.
Fontes
- Administração de Alimentos e Medicamentos dos EUA, Considerações para o Uso de Inteligência Artificial para Apoiar a Tomada de Decisões Regulatórias para Medicamentos e Produtos Biológicos Leia a fonte primária
- Agência Europeia de Medicamentos, Documento de reflexão sobre a utilização da inteligência artificial no ciclo de vida dos medicamentos Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, Princípios Orientadores de Boas Práticas AI no Desenvolvimento de Medicamentos Leia a fonte primária
- Agência Europeia de Medicamentos, EMA e FDA estabelecem princípios comuns para AI no desenvolvimento de medicamentos Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, usando inteligência artificial e aprendizado de máquina no desenvolvimento de medicamentos e produtos biológicos Leia a fonte primária
- Conselho Internacional de Harmonização, E6 Boas Práticas Clínicas Leia a fonte primária
- Conselho Internacional de Harmonização, E8 Considerações Gerais para Estudos Clínicos Leia a fonte primária
- Conselho Internacional de Harmonização, E9 Princípios Estatísticos para Ensaios Clínicos Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, Recursion Pharmaceuticals 2024 Formulário 10-K Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, exposição de conclusão da combinação Recursion e Exscientia Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, apresentação da transação Recursion e Exscientia Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, Schrödinger 2025 Formulário 10-K Leia a fonte primária
- Schrödinger, resultados financeiros anuais de 2025 Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, relatório anual da Absci e divulgações da plataforma integrada de criação de medicamentos Leia a fonte primária
- Comissão de Valores Mobiliários dos EUA, prospecto de oferta pública Absci Leia a fonte primária
- Isommorphic Labs, colaboração estratégica em pesquisa com a Novartis Leia a fonte primária
- Isommorphic Labs, colaboração de pesquisa estratégica com Eli Lilly Leia a fonte primária
- Google DeepMind, AlphaFold Leia a fonte primária
- Institutos Nacionais de Saúde, PubChem Leia a fonte primária
- Instituto Europeu de Bioinformática, ChEMBL Leia a fonte primária
- Banco de dados de proteínas RCSB Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, Desenvolvimento de Medicamentos e Definições de Revisão Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, Aplicação Investigacional de Novos Medicamentos Leia a fonte primária
- Agência Europeia de Medicamentos, aconselhamento científico e assistência protocolar Leia a fonte primária
- ClinicalTrials.gov, registro do estudo Leia a fonte primária
- Organização Mundial da Saúde, Plataforma Internacional de Registro de Ensaios Clínicos Leia a fonte primária
- Organização Mundial da Propriedade Intelectual, Inteligência Artificial e Propriedade Intelectual Leia a fonte primária
- Organização Mundial da Propriedade Intelectual, PATENTSCOPE Leia a fonte primária
- Escritório de Marcas e Patentes dos Estados Unidos, Orientação de Invenção para Invenções Assistidas por AI Leia a fonte primária
- Instituto Europeu de Patentes, Inteligência Artificial e Aprendizado de Máquina Leia a fonte primária
- Comissão Federal de Comércio dos EUA e Departamento de Justiça, Diretrizes para Fusões de 2023 Leia a fonte primária
- Comissão Europeia, Orientações sobre a avaliação de fusões horizontais Leia a fonte primária
- Autoridade de Concorrência e Mercados do Reino Unido, Diretrizes para Avaliação de Fusões Leia a fonte primária
- Comissão Federal de Comércio dos EUA, Programa de Notificação Pré-fusão Leia a fonte primária
- Wong, Siah e Lo, Estimativa de taxas de sucesso de ensaios clínicos e parâmetros relacionados, Bioestatística Leia a fonte primária
- Organização de Inovação em Biotecnologia, Taxas de Sucesso no Desenvolvimento Clínico e Fatores Contribuintes Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, Projeto Optimus Leia a fonte primária
- Administração de Alimentos e Medicamentos dos EUA, Programa de Reuniões Pareadas de Desenvolvimento de Medicamentos Baseados em Modelos Leia a fonte primária
- Instituto Nacional de Padrões e Tecnologia, AI Estrutura de Gerenciamento de Risco Leia a fonte primária
- Organização Internacional de Padronização, sistemas de gerenciamento de inteligência artificial ISO IEC 42001 Leia a fonte primária
- Organização Internacional de Padronização, sistemas de gerenciamento de segurança da informação ISO 27001 Leia a fonte primária
- Fundação IFRS, Combinações de Negócios IFRS 3 Leia a fonte primária
- Fundação IFRS, IAS 38 Ativos Intangíveis Leia a fonte primária
- Fundação IFRS, IFRS 13 Mensuração do Valor Justo Leia a fonte primária
- Conselho de Normas de Contabilidade Financeira, Tópico 805 de Combinações de Negócios Leia a fonte primária
- Conselho Internacional de Padrões de Avaliação, Padrões Internacionais de Avaliação Leia a fonte primária
- OCDE, Recomendação do Conselho sobre Inteligência Artificial Leia a fonte primária
- OCDE, Recomendação sobre Governança de Dados de Saúde Leia a fonte primária
- União Europeia, Lei de Inteligência Artificial Leia a fonte primária
- União Europeia, Regulamento Geral de Proteção de Dados Leia a fonte primária
